已有很多机器学习算法能够很好地应对预测分类问题，但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值，提出一种基于迁移成分分析（TCA）和支持向量机（SVM）的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维，将源领域和目标领域映射到同一再生核希尔伯特空间，从而实现边缘分布自适应；迁移完成之后在源领域上训练SVM，训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中，针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测，与传统机器学习和渐进式对齐异构域适应（HDA）相比，所提方法的准确率提升了7.8%~42.8%，F1值达到85.0%~99.0%，而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。
